「评测系统」共找到 2315 篇相关文章
AAAI 2026｜视频大语言模型到底可不可信？23款主流模型全面测评来了
合肥工业大学与清华大学团队推出视频大语言模型综合可信度评测基准 Trust-videoLLMs，对 23 款模型从五维度 30 项任务评测，揭示性能格局，指出模型现存问题，还开源评测框架等。
今天，被GLM-5的Agentic Coding能力惊艳到了
上月底Anthropic报告揭示编程趋势转变，月初Claude Opus 4.6与GPT - 5.3 Codex发布印证。作者深度测试GLM - 5，经两项实测挑战，发现其在复杂系统任务表现超预期，有‘系统架构师’思维。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
微信龙虾只活2天：一次更新干崩全生态，OpenClaw 撞上 Vibe Coding 天花板
3月22日微信官宣推出支持接入OpenClaw的ClawBot插件，两天后OpenClaw更新，将插件生态系统迁移到官方ClawHub市场，引发诸多问题，如系统崩溃、插件失效等。此次事故暴露系统脆弱性，也为Vibe Coding发展敲响警钟。
OpenAI 硬件负责人的闭门分享：硬件的「终点」依旧是智能手机
OpenAI 硬件负责人 Richard Ho 认为真正的限制是整个系统，继续依赖 NVIDIA 硬件路径，无法把模型推到下一个量级，因此 OpenAI 要重新拿回 AI 运行的底层控制权。他指出手机不是为 agent 设计的，未来是云边结合，现有手机系统难满足 AI 时代需求。
AI真能用好科研软件吗？清华团队推出OSWorld-Science，智能体迎接硬核大考
本文针对AI能否自主操作科研软件完成真实科研任务的问题，介绍了清华大学牵头多机构推出的OSWorld-Science，这是面向真实科研场景的智能体评测基准，包含146项真实科研任务，评测了12个主流模型，曝光了当前智能体的能力短板，为领域研究提供了统一评测基础。
The Batch: 922 | 面向智能体的管理系统
OpenAI 发布 Frontier 平台，用于编排和管理企业级 AI 智能体团队。它支持智能体构建、信息共享等，Cisco 等已试点，未来将更广泛开放。与 Microsoft 的 Agent 365 有不同侧重，企业对智能体集中管理需求渐显。
OpenAI 新的学习模式的系统提示词
本文介绍OpenAI新学习模式的系统提示词，包括严格规则，如了解用户、温故知新等，还说明了可做的事，如教授新概念、辅导作业等，强调语气方式及不要直接给答案。
面向UE5的智能数字人系统
GMTalker是光明实验室媒体智能团队为虚幻引擎5.3打造的智能数字人系统，集成多种能力，适用于科研等场景。具备多功能特点，与其他开源方案对比优势明显，还介绍了环境要求、启动方式、配置、API等。
借助 AI Coding 快速打造 AI Agent 系统
文章围绕购物场景生成AI Agent系统展开，原有低代码方案遇瓶颈，团队转向LangGraph等工程方案，借助AI Coding工具重构上线。介绍了项目需求、挑战，阐述核心架构升级，分享AI Coding开发实践及项目成果与启示。